AI 在幹活時，我們應該幹什麼？

你開了三個 AI 窗口。第一個在查資料，第二個在改一段代碼，第三個在寫大綱。

第一個先跑完。但你剛纔被第二個窗口的報錯拉了過去，滿腦子還是那段邏輯。你掃了一眼第一個窗口的結果，心裏想"等會兒回來看"，順手把第三個窗口切到前臺繼續寫。

十幾分鍾後，第二個也跑完了。你點回去看差異，突然想不起來剛纔讓 AI 改這段代碼到底是爲了修哪個 bug。又切回第一個窗口，那份研究報告安靜地躺在那裏，你已經忘了讓它查的是什麼問題。

窗口越來越多，跑完的、跑到一半的、剛剛發出的——它們同時在等你看。

但你的注意力是串行的。一個任務結束的時候，你的腦子還在上一個任務裏沒出來。等回過神來，已經忘了之前讓 AI 做了什麼、爲什麼做、該怎樣算做完。

這纔是 AI 工作流裏最難受的體驗：看着所有窗口都在跑，好像很高效，實際上你的注意力早就不夠用了。一天下來做了很多事，晚上回頭想，腦子發黏，說不清自己到底完成了什麼。

生成速度已經不是瓶頸。真正缺的是審閱帶寬——你還能不能記得目標，能不能認出它哪裏錯了，能不能在十份看起來都不錯的答案裏做出決定。

問題不是開了幾個窗口

流行內容裏常看到一個說法：人切換任務後，會有 20%～30% 的注意力殘留在上一個任務上，有時還被說成是某家 AI 公司論文裏的結論。

注意力殘餘確實有研究。管理學者 Sophie Leroy 2009 年的實驗發現，人從未完成的任務切到下一個，一部分注意會被前一個牽住，影響後面的表現。她後來還發現，中斷前寫一句"回來以後怎麼繼續"，能減輕這種殘餘。

但原始研究沒給過一個適用於所有人的百分比。注意力也不是一桶能精確分走的水——它包含警覺、目標保持、衝突抑制、錯誤監測，這些東西不能直接換算成"人最多隻能同時管兩三個 AI 任務"。

真正的問題不是你開了幾個窗口。

問題是每次回來，你還要花多大力氣重建這個任務。

AI 爲什麼特別容易把注意力切碎

普通工具也會打斷你。AI 的特殊之處是它把等待嵌進了幾乎每一步。

你提問，它要生成；讓它改代碼，它要檢查；讓 Agent 做一件複雜的事，中間還會請求權限、報告阻塞、改變計劃。你不需要全程操作，也不能徹底走開。注意力被放在一種"隨時可能叫我"的狀態。

流式輸出又放大了這種感覺。文字一個字一個字往外蹦，下一句可能是關鍵結論，也可能突然開始胡說。你會下意識不斷查看。但大多數低風險任務裏，盯着 token 蹦並不能讓結果更快，也很難在內容沒出完時做出完整判斷。

更麻煩的是，AI 的"完成"通常只意味着生成結束。一份研究報告生成了，要查來源；一段代碼寫完了，要看差異、跑測試；一封郵件起草好了，要確認收件人和事實。AI 結束了自己的任務，你要乾的活纔剛開始。

如果等待時不斷開新任務，沒審的結果會迅速堆積。這些東西不像郵件可以掃一眼歸檔。你要重新進入上下文，判斷它用了什麼假設，再決定接受、修改還是推翻。欠得少不覺得，欠多了，整個工作流都會變慢。

審不過來，纔是真正的瓶頸

2024 年《Nature Human Behaviour》有一項元分析，彙總了 106 個實驗。結論是：人機組合平均優於人單獨完成，卻平均弱於人或 AI 中更強的那一方。創作任務比較容易獲益，決策任務更容易出現損失。

"人加 AI"不會自動協同。你看不出模型錯在哪，加入流程只是多了一次確認；AI 把大量低價值候選推給你，你的時間就耗在篩選上。

同主題多窗口能緩解一部分問題。幾個任務共享背景和詞彙，切換確實比同時處理一篇文章、一個合同和一段代碼要輕鬆。但它有條件：子任務邊界清楚，事實底稿一致，輸出可以比較，最後還得集中審閱。

所以我不會給"最多同時開幾個 AI"一個固定數字。更有用的判斷是：你現在有多少結果還沒審？回來以後，能不能在一分鐘內說清每個任務的目標、狀態、下一步？如果已經開始忘了，或者只因爲"看起來差不多"就點接受，並行度早就超了。

AI 在跑的時候，做這五件事

等待時間不該統一處理。幾十秒、十分鐘和幾個小時，需要的動作不一樣。但有五件事，幾乎總比再開一個任務強。

先寫自己的預測。 在 AI 給出答案之前，寫一句：我預計結論是什麼，最不確定的地方在哪，什麼證據會讓我改判斷。這一步很小，但能防止你的觀點被第一份流暢的答案吞掉。你需要一條自己的基線，才能看出 AI 是補充了你，還是把你帶去了另一個問題。

準備驗收，不是繼續催生成。 AI 跑的時候，更有用的問題是：它回來以後，我憑什麼說它做對了？研究任務可以準備原始來源和反證，代碼可以先寫測試，文章可以先明確主判斷和事實邊界。一份清楚的驗收清單，會把你從"讀起來挺好"拉回到可判斷的結果。

去補 AI 拿不到的現實信息。 模型處理的是上下文裏的東西。客戶剛改的想法、團隊裏誰會反對、某個數據爲什麼失真、一句話在當前關係裏會不會傷人——這些不會因爲模型更聰明就自動出現。AI 整理已有材料的時候，你去接觸現場、用戶和後果。

把任務狀態寫到外面。 聊天記錄不是任務狀態。它保存了發生過什麼，沒告訴你哪些決定已經接受，哪些只是候選，哪些後來被推翻。切換前寫四行：當前目標是什麼、已經做到哪、還缺什麼證據或決定、回來後第一步幹什麼。這不能讓切換成本清零，但能讓大腦不用在後臺一直提醒自己"千萬別忘"。

真累了就停。 站起來、喝水、走一圈，比在疲勞時機械地再發一條指令有用。休息的價值不需要包裝成生產力魔法，身體和判斷已經累了，停一下本身就合理。

不同等待時間，不同動作

一個原則：短等待不啓動需要重建整個情境的工作；長等待可以切，但必須先把原任務可靠地放到外部。

控制 AI，不止是寫好提示詞

提示重要，但真正管用的動作發生在三個時間點。

運行前，說清幾件事：最終結果是什麼、不在範圍內的是什麼、怎樣算完成、最壞可能發生什麼、遇到什麼情況必須停下來問人、完成後要留下哪些來源和測試記錄。這些東西決定了 AI 是在幫你草擬，還是已經拿到了對外行動的權力。

運行中，注意變化：新出現的假設、計劃偏離、權限請求、證據不足。低風險任務可以只在完成時提醒，高風險任務在對外寫入、發送或付款前必須停下。

運行後，別先被漂亮措辭吸引。先看證據、差異、測試和沒做完的部分。再問一次：它解決的還是我一開始的問題嗎？很多失敗不是答案明顯錯誤，而是目標在長流程裏慢慢漂走了——模型把容易做的部分做得很好，人就忘了真正難的那部分還沒解決。

什麼時候 AI 先做，什麼時候你先做

低風險、容易檢查、需要大量候選的任務，AI 先做。格式轉換、標題變體、測試用例草擬、公開資料初篩，都適合批量生成後集中審閱。

問題定義、價值判斷、高風險建議和需要保留的核心能力，人先做。你的版本不用完整，作用是保留自己的問題模型。AI 隨後可以找漏洞、補證據、提反例。

還有一類任務適合各幹各的。人和 AI 分別完成，不看對方答案，最後只比較分歧，要求雙方給證據。這比"先看 AI，再問我同不同意"更能防錨定。

可驗證性比風險標籤關鍵。高風險但結果可以確定驗證、有完整日誌和可靠回滾，AI 可以多承擔執行。低風險但很難判斷好壞的內容任務，反而需要你持續取捨。

涉及學習的事單獨對待。只要未來還需要你處理異常、判斷質量、承擔責任，就要保留自己先做一遍、獨立作答和錯誤覆盤。別讓一種能力只在出事故的時候才被重新撿起來。

AI 省下來的時間，不該自動變成更多任務

一項覆蓋 66 家企業、七千多名知識工作者的實驗發現，經常用生成式 AI 辦公的人，每週處理郵件少了約 3.6 小時，連續專注時間多了約 4 小時。

AI 確實能釋放出整塊時間。但多出來的四小時最終變成什麼，不由模型決定。可以用來理解客戶、做困難判斷、練***技能，也可以被更多會議、更多窗口和更多待審輸出重新填滿。

效率工具最危險的誘惑是：既然每件事快了一點，就再塞幾件。最後組織沒有更深的工作，只得到更高密度的切換。個人也一樣。如果你把全部收益用來繼續擴大在製品，注意力不會升級，只會更早被堆滿。

守住 AI 替不了你的東西

AI 在跑的時候，你真正重要的活其實很清楚。

選哪個問題值得解決，定義怎樣算完成。建立一套關於現實的判斷，知道什麼證據會讓你改主意。去接觸客戶、關係和現場，補上下文裏沒有的信息。判斷哪些錯可以接受，哪些後果不能交給概率。最後，爲採用哪一份結果承擔後果。

這些事有時候是寫一張驗收清單，有時候是給客戶打一個電話，有時候只是關掉流式輸出，安靜想兩分鐘。

AI 以後會更快，Agent 會同時做更多事，token 也可能越來越便宜。但人的一天不會長出更多注意力。

AI 忙的時候，不是你的空檔。機器負責把可能性鋪開，你守住問題、邊界和後果。這條分工清楚以後，AI 纔是在替你幹活，不是你替它收拾越來越多的結果。